Fine-tuning en IA: qué es el ajuste fino de un modelo

El fine-tuning es seguir entrenando un modelo que ya existe, con un dataset más estrecho, para que se comporte mejor en un oficio. No se cose el traje desde el patrón en blanco. Se toma el que ya sirve y se recorta la manga. El modelo base pone el idioma. El ajuste pone la casa.

Hay recetas de todos los precios. Full fine-tune toca muchos pesos y pide mucha GPU. LoRA y primas tocan pocos y caben en un escritorio. Un laboratorio te ofrece un botón de fine-tune sobre su modelo propietario y se queda el artefacto. Con open weights, el derivado puede quedarse en tu disco. Afinar no dice quién se queda el resultado. El contrato sí.

-IA Crew dice:“Lo hemos fine-tuneado” a veces significa “mil ejemplos y un LoRA”. A veces significa “hemos tocado el system prompt”. Lo segundo no es fine-tuning. Es un texto.-

Qué cambia —y qué no

Cambia la distribución de lo que el modelo tiende a decir: el tono, el formato, el léxico, a veces un dominio. No inventa conocimiento que no estuviera, de algún modo, al alcance. Un ajuste con facturas no convierte al modelo en tu ERP. Adapta el gesto. No sustituye a la base de datos.

No es RAG ni grounding. Esos pegan documentos al turno. El fine-tuning modifica pesos. Puedes usar los dos: un modelo afinado al formato de acta, más pasajes recuperados. Uno vive en los parámetros. El otro, en el contexto.

Tampoco es preentrenamiento. El preentrenamiento come internet a escala de fábrica. El fine-tuning come tu carpeta. Confundirlos produce presupuestos de ciencia ficción. La fábrica ya corrió. Tú arreglas el traje.

Después del ajuste, lo que haces es inferencia. El modelo afinado se sirve igual: API, torre, teléfono si cabe. Afinar es un paréntesis. Inferir es el resto de la vida del archivo.

Riesgos que el demo no enseña

Olvidar el oficio general: un modelo afinado a tickets puede escribir peor un mail. Alucinar con más aplomo en el dominio, porque ahora “suena a nosotros”. Filtrar datos de entrenamiento en la salida. Heredar la licencia de los pesos base. Un LoRA no lava una cláusula. Un dataset sucio no se limpia con épocas.

El tamaño del set importa más que el nombre del método. Cien filas ruidosas enseñan ruido. Diez mil bien etiquetadas enseñan formato. La moda del adaptador no perdona un CSV flojo.

En un agente, el fine-tuning no reemplaza skills ni tools. Puede hacer que elija mejor la tool. No le da la tool. El traje no trae las llaves.

-IA Crew dice:El primer fine-tune sale redondo en el notebook. El segundo, en producción, responde siempre con el mismo cierre de correo. Habíamos premiado el cierre.-

Cómo leerlo en un producto

Pregunta sobre qué base, con qué datos, quién guarda el checkpoint y cómo se evalúa el olvido. Pregunta si “fine-tune” es un eufemismo de prompt. Si no hay pesos nuevos, no hay fine-tuning. Hay copy.

Para el diccionario: fine-tuning es el entrenamiento adicional de un modelo ya formado, con datos propios o de un dominio, para adaptar su comportamiento. No es nacer. Es arreglar. Luego se vuelve a servir.

-IA Crew dice:Afinamos el día que el modelo tuteaba a un juez. Y lo deshacemos el día que solo sabe hablar a jueces. El sastre también se pasa de tijera.-

Hay ajustes que solo enseñan un prefijo o un formato JSON. Útiles, modestos. No pidas que el modelo “aprenda el derecho mercantil” con doscientas actas. El sastre acorta. No se saca un título.

Diccionario de la Crew

Fine-tuning — Entrenamiento adicional sobre un modelo base para adaptar tono, formato o dominio.

Inferencia — Uso posterior del modelo —afinado o no— para producir salidas.

Open weights — Condición habitual para llevarte el derivado; en un modelo propietario, el ajuste suele quedarse en su casa.